番茄叶片病害检测数据集：10类别农业病虫害视觉识别基准

数据集简介

番茄叶片病害检测数据集是面向农业智能病虫害监测领域的专业目标检测数据集，专为深度学习模型的训练与评估构建，广泛应用于农业计算机视觉研究与落地场景。

该数据集从真实农业种植环境中采集了10853张统一分辨率的番茄叶片图像，涵盖9种常见番茄叶片病害及健康叶片，覆盖了细菌性斑点病、早疫病、晚疫病等具有高经济影响的病虫害类型，标注总边界框数量达10716个，仅1.53%为空标签文件，标注完整性较高。

数据集主要用于番茄叶片病害目标检测、农作物病虫害视觉识别、农业智能监测系统开发等任务，可支持模型在复杂田间环境下的病害识别能力训练与性能评估。

数据集采用标准的训练-验证-测试三划分模式：

• 训练集：包含7842张图像（占总规模72.26%），覆盖所有10个类别，用于模型的基础特征学习与参数优化
• 验证集：包含1960张图像（占总规模18.06%），用于训练过程中的模型性能监控与超参数调优
• 测试集：包含1051张图像（占总规模9.68%），用于最终模型的泛化能力评估

该数据集以其统一的图像分辨率、覆盖完整的病害类型和真实田间采集场景，成为农业病虫害视觉识别领域的重要基准数据集，为智能农业监测系统的算法研究提供了标准化的评估依据。

01 数据集概览

字段	详情
数据集名称	番茄叶片病害检测数据集
类别数量	10
总图像数量	10853张
训练集规模	7842张（72.26%）
验证集规模	1960张（18.06%）
测试集支持	1051张（9.68%）
标注格式	YOLO格式（归一化边界框）
标注质量	标注完整性98.47%，空标签占比1.53%
采集设备	统一分辨率采集设备（输出640×640图像）
采集场景	真实番茄种植田间环境
数据增强方式	原始数据集未明确标注，训练阶段可自定义添加
类别不均衡情况	失衡分数19.97，最小类别（晚疫病）仅105个标注
图像分辨率	统一640×640像素
总标注框数量	10716个
小目标占比	0.09%（归一面积<0.005）

02 类别定义与特征

类别ID	英文名称	中文术语	视觉特征
0	Tomato Bacterial Spot	番茄细菌性斑点病	叶片表面出现水渍状小斑点，逐渐扩大为褐色不规则病斑，周围有黄色晕圈，多分布于叶片边缘
1	Tomato Early blight	番茄早疫病	叶片上形成圆形或椭圆形褐色病斑，具有同心轮纹，边缘有黄色晕圈，严重时病斑连片导致叶片枯萎
2	Tomato Late blight	番茄晚疫病	叶片出现暗绿色水渍状病斑，湿度大时病斑背面产生白色霉层，病斑迅速扩展导致叶片腐烂
3	Tomato Leaf Mold	番茄叶霉病	叶片背面出现灰白色至黑褐色霉层，正面对应位置出现淡黄色褪绿斑，严重时叶片卷曲干枯
4	Tomato Septoria leaf spot	番茄 Septoria 叶斑病	叶片上形成圆形或近圆形褐色小斑点，病斑中央灰白色，边缘褐色，后期病斑上产生黑色小粒点
5	Tomato Spider mites Two-spotted spider mite	番茄二斑叶螨	叶片表面出现细密的黄白色斑点，严重时叶片呈灰白色，背面可见红色或黄色螨体及蛛丝
6	Tomato Target Spot	番茄靶斑病	叶片上形成圆形或不规则形病斑，病斑中央灰白色，边缘褐色，形似靶心，严重时病斑融合
7	Tomato Yellow Leaf Curl Virus	番茄黄化曲叶病毒病	叶片黄化、向上卷曲，植株矮化，新叶变小且皱缩，叶脉变粗
8	Tomato healthy	健康番茄叶片	叶片颜色鲜绿，表面光滑无病斑，叶脉清晰，形态舒展
9	Tomato mosaic virus	番茄花叶病毒病	叶片出现黄绿相间的斑驳或花叶，叶片皱缩、畸形，植株生长缓慢

03 数据集目录结构

Tomato-Leaf-Disease-Dataset/
├── train/
│   ├── images/     # 训练集图像（7842张，640×640）
│   └── labels/      # 训练集YOLO标注（.txt）
├── valid/
│   ├── images/      # 验证集图像（1960张，640×640）
│   └── labels/      # 验证集YOLO标注（.txt）
├── test/
│   ├── images/      # 测试集图像（1051张，640×640）
│   └── labels/      # 测试集YOLO标注（.txt）
└── data.yaml        # YOLO26配置文件

04 应用场景

1. 智能田间监测系统：部署于温室或大田环境，通过摄像头实时采集番茄叶片图像，自动识别病害类型，为种植者提供精准的病虫害预警信息，减少人工巡检成本。
2. 移动农业诊断终端：集成于智能手机或便携式设备，种植者可拍摄叶片照片快速获取病害诊断结果，辅助现场决策与精准施药。
3. 农业无人机巡检：搭载于农业植保无人机，实现大面积番茄种植区域的快速病害筛查，绘制病害分布热力图，指导精准植保作业。
4. 温室环境智能调控：与温室环境控制系统联动，根据病害检测结果自动调整温湿度、通风等参数，抑制病害传播扩散。
5. 农业大数据分析：积累病害发生数据，结合气象、土壤等环境信息，构建病害预测模型，实现病虫害的提前预防与管控。

05 模型训练与部署

YOLO26配置文件（data.yaml）

# 番茄叶片病害检测数据集配置
train: ./train/images
val: ./valid/images
test: ./test/images

# 类别配置
nc: 10  # 类别总数
names:
  0: Tomato Bacterial Spot
  1: Tomato Early blight
  2: Tomato Late blight
  3: Tomato Leaf Mold
  4: Tomato Septoria leaf spot
  5: Tomato Spider mites Two-spotted spider mite
  6: Tomato Target Spot
  7: Tomato Yellow Leaf Curl Virus
  8: Tomato healthy
  9: Tomato mosaic virus

训练参数与命令

针对数据集类别不均衡、统一分辨率的特点，推荐以下训练参数：

# 单GPU训练命令
yolo detect train data=data.yaml model=yolo26n.pt epochs=35 batch=8 imgsz=640 optimizer=AdamW amp=True cache=True workers=8 save_period=8 device=0

# 多GPU训练命令
yolo detect train data=data.yaml model=yolo26n.pt epochs=35 batch=16 imgsz=640 optimizer=AdamW amp=True cache=True workers=8 save_period=8 device=0,1

# 模型验证命令
yolo detect val data=data.yaml model=runs/detect/train/weights/best.pt imgsz=640 device=0

# 模型导出（ONNX格式）
yolo export model=runs/detect/train/weights/best.pt format=onnx imgsz=640

Python训练代码

from ultralytics import YOLO

if __name__ == '__main__':
    # 加载YOLO26n预训练模型
    model = YOLO('yolo26n.pt')
    
    # 启动训练
    results = model.train(
        data='data.yaml',
        epochs=35,          # 样本量大，快速收敛防止过拟合
        batch=8,            # 类别失衡场景下降低batch提升梯度稳定性
        imgsz=640,          # 匹配数据集统一分辨率
        workers=8,          # 根据GPU显存调整，Windows环境可改为4
        device=0,           # 指定GPU设备，多GPU可改为[0,1]
        optimizer='AdamW',  # 自适应学习率优化器，适合类别失衡场景
        amp=True,           # 开启混合精度训练，节省显存加速训练
        cache=True,         # 开启内存缓存，提升训练速度
        save_period=8       # 每8轮保存一次权重，便于选择最优模型
    )

06 数据集获取方式

后台回复关键词 番茄叶病检测数据集，即可获取数据集下载链接及使用说明。

07 使用声明与引用规范

1. 本数据集仅可用于学术研究与非商业用途，禁止用于任何商业盈利活动
2. 使用数据集发表论文或开发应用时，请在参考文献中注明数据集来源
3. 数据集类别不均衡问题需在研究中进行针对性处理，建议采用loss加权、数据增强等方法缓解影响
4. 数据集提供者不对因使用本数据集导致的任何损失承担责任

08 相关数据集推荐

1. PlantVillage数据集：包含39种植物的14种病害及健康叶片图像，共54306张，是农业病虫害识别领域的经典基准数据集
2. Apple Leaf Disease Dataset：专注于苹果叶片病害检测，包含4种病害及健康叶片，共2757张图像
3. Corn Leaf Disease Dataset：针对玉米叶片病害的数据集，包含5种病害类别，共4182张图像
4. Cotton Leaf Disease Dataset：涵盖棉花叶片的4种常见病害及健康状态，共1956张图像